ROC实验笔记
接受者操作特征ROC(Receiver operating characteristics)曲线在选择、设置和评价分类器等方面时非常有用。ROC曲线常用于医学、信号检测方面的问题,在模式识别、机器学习和数据挖掘等领域也用广泛的应用。ROC曲线看上去比较简单,计算明了,但是由于对ROC曲线的理解不透彻,在实际应用中难免有误解。下面将指纹模式识别领域ROC的应用做简单分析:
ROC对分类器的选择和评价有很大帮助。在开始分析分类问题时,将样本分两类,定义为阳和阴。在此基础上对此样本分类将有四种分类状态:
“阳”被正确分类成“阳”,称之为“真阳” 符号:TP(True Positive)
“阳”被错误分类成“阴”,称之为“假阴” 符号:FN(False Negative)
“阴”被正确分类成“阴”,称之为“真阴” 符号:TN(True Negative)
“阴”被错误分类成“阳”,称之为“假阳” 符号:FP(False Positive)
基于以上四种分类状态,我们可以得出若干指标参数; 下面介绍一系